Objectdetectie van Luchtpuntwolk

ZhaiyuChen

<\/HEAD>

Inleiding<\/H2>De Actueel Hoogtebestand Nederland (AHN) dataset geeft Nederland nauwkeurig weer als ontelbare punten, terwijl de verwerking hiervan meestal veel menselijke tussenkomst vereist. In deze blogpost laten we zien hoe de arcgis.learn module kan worden gebruikt om automatische classificatie van AHN puntwolken te bevorderen. Merk op dat de ruwe classificatie van AHN wordt genegeerd; in plaats daarvan wordt een fijnmazige herclassificatie van de puntwolk uitgevoerd.<\/P><\/P>PointCNN<\/H2>Om te beginnen moeten we PointCNN introduceren, een deep learning-pijplijn voor puntwolk-analyse.<\/P><\/P>In tegenstelling tot afbeeldingen zijn puntwolkgegevens ongeordend en anisotropisch verdeeld in de ruimte, wat de toepassingen van traditionele convolutionele neurale netwerken (CNN's) die voor 2D-gegevens zijn ontworpen, belemmert.<\/P><\/P>Een kernonderdeel van het PointCNN-framework is de X-Conv-operatie die analoog is aan de convolutie-operatie in 2D CNN's. Deze operator voert een reeks bewerkingen uit op een verwerkte vorm van puntwolkblokken. Wat speciaal is aan X-Conv is dat het de invoerpunten in willekeurige volgorde kan verwerken om een volgorde-onafhankelijke feature te verkrijgen. Met X-Conv als bouwstenen kan PointCNN convoluties uitvoeren op ongeordende puntensets, vergelijkbaar met (maar iets complexer dan) die van 2D-roosters.<\/P><\/P>De XConv-operatie op puntwolken (onder) lijkt op de convolutie op 2D-roosters (boven)<\/P><\/P>PointCNN is geïmplementeerd in de arcgis.learn module, Esri's Python API voor deep learning. De ArcGIS API omvat functionaliteiten om efficiënt punten uit een puntwolkdataset te classificeren en segmenteren. Voor meer informatie over de API kunt u verwijzen naar arcgis.learn documentatie<\/A>.<\/P>

<\/P>

Natuurlijk heeft PointCNN trainingsdata nodig om van te leren, waarbij de Dayton Annotated Laser Earth Scan (DALES) dataset (

DALES : University of Dayton, Ohio<\/A>) wordt gebruikt. Deze bevat veertig scènes met dichte, gelabelde luchtdata die meerdere scènetypen omvatten zoals stedelijk, voorstedelijk, landelijk en commercieel, met meer dan een half miljard punten verspreid over 10 vierkante kilometer gebied. De AHN3 puntwolk van Dordrecht is gekozen als testdataset, waarvan de voorbereiding verloopt via Geoprocessing - Convert LAS and Extract LAS met ArcGIS Pro.<\/P>

<\/P>

Voorbereiding van Dordrecht dataset in ArcGIS Pro<\/P>

<\/P>

Na training op de DALES puntwolken kan PointCNN de AHN-punten van de regio Dordrecht classificeren, alleen met coördinateninformatie (x, y, z). De trainingsscripts zijn te vinden in deze 

ArcGIS Notebook<\/A>.<\/P>

<\/P>

<\/P>

Ongesorteerde AHN puntwolk van regio Dordrecht, weergegeven met intensiteitswaarde<\/P>

<\/P>

Resultaten<\/H2>Bekijk hieronder nu de scène van Dordrecht geclassificeerd door PointCNN. De classificatie bevat Grond, Vegetatie, Auto's, Vrachtwagens, Hoogspanningslijnen, Palen, Hekken en Gebouwen. Let vooral op hoe kleine objecten (bijv. auto's en hoogspanningslijnen) nog steeds duidelijk worden gedetecteerd. Vergeleken met de ruwe classificatie van AHN3 die slechts uit vijf grove klassen bestaat, is de nieuwe classificatie duidelijk gedetailleerder.<\/P><\/P><\/P>Geclassificeerde AHN puntwolk van regio Dordrecht, weergegeven met klassecode  Interactieve kaarten van de geclassificeerde puntwolk zijn te vinden in deze Story Map: Object Detection from Aerial Point Cloud.

MortezaEsfandiari

Hi, 

Thanks for sharing your work.

I was wondering if you could help me with a question that I have. 

Did you train the model on GPU or was it on CPU, and how long did it take?

I am asking because I followed your steps (I only used two blocks for training and one for validation) but after three days of training on CPU, it didn't even go one epoch.

I would appreciate it if you can help me with this.